GraphFire-X：面向野火-城市界面建筑规模的物理驱动图注意力网络与结构梯度提升
机器学习
2025-12-25 v1
摘要
随着野火日益演变为城市烈焰，传统风险模型将建筑物视为独立资产，无法捕捉野火-城市界面 (WUI) 特有的非线性传染动力学。本研究通过建立一种新型双专家集成框架，将机械物理与数据驱动学习相结合，将脆弱性分解为两个 distinct 向量：环境传染和结构脆弱性。该架构集成两个专门的预测流：环境专家 implemented as 图神经网络 (GNN)，将社区表示为由物理驱动的对流、辐射和炽热概率加权的有向传染图，并整合了来自 Google AlphaEarth Foundation 嵌入的高维特征；结构专家通过 XGBoost 实现，对粒度资产韧性进行隔离。应用于 2025 年 Eaton Fire，我们发现风险驱动者存在关键二分法。GNN 显示，社区尺度的环境压力在决定传播路径方面远远支配于内在结构特征，而 XGBoost 模型识别出檐口为主要微观尺度入口向量。通过 logistic 堆叠综合这些 divergent 信号，集成实现了稳健的分类并生成诊断性风险�拓扑。此能力使决策者能够超越二元损失预测，精确定位减缓措施，优先处理高连通性簇的植被管理以及面向建筑上脆弱节点的结构硬化，从而实现一种主动、数据驱动的社区韧性方法。
引用
@article{arxiv.2512.20813,
title = {GraphFire-X: Physics-Informed Graph Attention Networks and Structural Gradient Boosting for Building-Scale Wildfire Preparedness at the Wildland-Urban Interface},
author = {Miguel Esparza and Vamshi Battal and Ali Mostafavi},
journal= {arXiv preprint arXiv:2512.20813},
year = {2025}
}